「同樣是移植一個(gè)新的技術(shù)庫(kù)，如果使用人力，我們需要一個(gè) 10 人左右的團(tuán)隊(duì)工作大半年，但借助 AI，我們只需要花幾天時(shí)間運(yùn)行幾個(gè) GPU 就能完成大部分工作?！?br />

近幾年，芯片設(shè)計(jì)成為 AI 落地的一個(gè)重要領(lǐng)域，谷歌、英偉達(dá)、三星、西門(mén)子等多家公司都已經(jīng)計(jì)劃或開(kāi)始嘗試在芯片設(shè)計(jì)中使用 AI。其中，同時(shí)在芯片設(shè)計(jì)和 AI 領(lǐng)域深耕多年的英偉達(dá)有著得天獨(dú)厚的優(yōu)勢(shì)。在前段時(shí)間的 GTC 大會(huì)上，英偉達(dá)首席科學(xué)家、計(jì)算機(jī)架構(gòu)大師 Bill Dally 介紹了他們?cè)谶@方面取得的進(jìn)展以及所使用的 AI 工具。

以下是 Bill Dally 在 GTC 大會(huì)上的介紹原文。

預(yù)測(cè)電壓降

作為 AI 專(zhuān)家，我們自然希望利用 AI 來(lái)設(shè)計(jì)更好的芯片。我們有幾種不同的方法：一是利用現(xiàn)有的計(jì)算機(jī)輔助設(shè)計(jì)工具（并融入 AI），例如我們有一個(gè)可以繪制 GPU 中用電位置的地圖，它還可以預(yù)測(cè)電壓網(wǎng)下降多少——電流乘以電阻壓降，被稱(chēng)為 IR 壓降。在傳統(tǒng)的 CAD 工具上運(yùn)行該流程需要三個(gè)小時(shí)。

這是一個(gè)迭代的過(guò)程，所以進(jìn)行起來(lái)有點(diǎn)麻煩。我們想訓(xùn)練一個(gè) AI 模型來(lái)處理相同的數(shù)據(jù)。我們做了一系列的設(shè)計(jì)來(lái)進(jìn)行這樣的操作，然后就可以輸入電源圖了，最后推斷時(shí)間只需三秒。當(dāng)然，如果算上特征提取的時(shí)間，我們要花 18 分鐘，很快就能得到結(jié)果。

我們沒(méi)有使用卷積神經(jīng)網(wǎng)絡(luò)，而是用到了圖神經(jīng)網(wǎng)絡(luò)，這是為了估計(jì)電路中不同節(jié)點(diǎn)的開(kāi)關(guān)頻率。同樣，我們能夠比傳統(tǒng)工具更快地獲得非常準(zhǔn)確的功率估計(jì)，并且只需很少的時(shí)間。

預(yù)測(cè)寄生參數(shù)（parasitics）

我特別喜歡的一項(xiàng)工作是用圖神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)寄生參數(shù)。之前這項(xiàng)工作要花費(fèi)大量時(shí)間，因?yàn)橐郧暗碾娐吩O(shè)計(jì)是一個(gè)迭代的過(guò)程，你要畫(huà)一個(gè)原理圖，就像左邊這張圖。但你不知道它的性能如何，直到設(shè)計(jì)師采用該原理圖進(jìn)行 layout，提取寄生參數(shù)，再運(yùn)行電路仿真，才會(huì)發(fā)現(xiàn)設(shè)計(jì)可能不符合規(guī)格，才能知道電路的性能。

接下來(lái)，設(shè)計(jì)師就要修改原理圖，并再次通過(guò) layout 來(lái)驗(yàn)證電路的有效性。這是一個(gè)非常漫長(zhǎng)、反復(fù)甚至不人道的勞動(dòng)密集型工作。

現(xiàn)在，我們可以訓(xùn)練圖神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)寄生參數(shù)，而無(wú)需進(jìn)行 layout。因此，電路設(shè)計(jì)人員可以非常快速地進(jìn)行迭代，而無(wú)需手動(dòng)執(zhí)行 layout 步驟。事實(shí)表明：我們的神經(jīng)網(wǎng)絡(luò)對(duì)寄生參數(shù)的預(yù)測(cè)非常準(zhǔn)確。

布局、布線(xiàn)挑戰(zhàn)

我們的神經(jīng)網(wǎng)絡(luò)還可以預(yù)測(cè)布線(xiàn)擁塞（routing congestion），這對(duì)于芯片 layout 至關(guān)重要。在傳統(tǒng)的流程中，我們需要制作一個(gè)網(wǎng)表（net list），運(yùn)行布局和布線(xiàn)過(guò)程，這可能非常耗時(shí)，通常需要幾天的時(shí)間。但如果不這么做，我們就無(wú)法得到實(shí)際的布線(xiàn)擁塞并發(fā)現(xiàn)最初布局的缺陷。我們需要對(duì)其進(jìn)行重構(gòu)并以不同的方式布局 macro 以避免出現(xiàn)下圖所示的紅色區(qū)域（穿過(guò)該區(qū)域的電線(xiàn)過(guò)多，類(lèi)似于交通堵塞）。

現(xiàn)在借助神經(jīng)網(wǎng)絡(luò)，無(wú)需運(yùn)行布局和布線(xiàn)，我們就可以獲取這些網(wǎng)表并使用圖神經(jīng)網(wǎng)絡(luò)大致預(yù)測(cè)擁塞的位置，準(zhǔn)確率也非常高。這種方法暫時(shí)還不完美，但它能夠顯示出存在問(wèn)題的區(qū)域，然后我們就能采取行動(dòng)并非?？焖俚剡M(jìn)行迭代，而無(wú)需進(jìn)行完整的布局和布線(xiàn)。

自動(dòng)化標(biāo)準(zhǔn)單元遷移

以上方法都是在用 AI 評(píng)價(jià)人類(lèi)已經(jīng)完成的設(shè)計(jì)，但實(shí)際上更令人興奮的是用 AI 來(lái)實(shí)際設(shè)計(jì)芯片。

我來(lái)舉兩個(gè)例子。第一個(gè)是我們稱(chēng)之為 NV cell 的系統(tǒng)，它使用模擬退火和強(qiáng)化學(xué)習(xí)來(lái)設(shè)計(jì)我們的標(biāo)準(zhǔn)單元庫(kù)（標(biāo)準(zhǔn)單元庫(kù)是底層電子邏輯功能的集合，例如 AND、OR、INVERT、觸發(fā)器、鎖存器和緩沖器 ）。所以在每次技術(shù)迭代的時(shí)候，比如從 7 納米遷移到 5 納米，我們都會(huì)擁有一個(gè)單元庫(kù)。我們實(shí)際上有成千上萬(wàn)個(gè)這樣的庫(kù)，它們必須用新技術(shù)重新設(shè)計(jì)，有一套非常復(fù)雜的設(shè)計(jì)規(guī)則。

我們借助強(qiáng)化學(xué)習(xí)來(lái)放置晶體管，但隨之而來(lái)的可能是一堆設(shè)計(jì)規(guī)則錯(cuò)誤，而這正是強(qiáng)化學(xué)習(xí)所擅長(zhǎng)的。設(shè)計(jì)芯片就像一個(gè)雅達(dá)利游戲，但它是一個(gè)在標(biāo)準(zhǔn)單元中修復(fù)設(shè)計(jì)規(guī)則錯(cuò)誤的游戲。通過(guò)強(qiáng)化學(xué)習(xí)檢查和修復(fù)這些設(shè)計(jì)規(guī)則錯(cuò)誤，我們基本上能夠完成標(biāo)準(zhǔn)單元的設(shè)計(jì)。

下圖顯示的是該工具完成度為 92% 的單元庫(kù)，沒(méi)有設(shè)計(jì)規(guī)則或電氣規(guī)則錯(cuò)誤。這些單元中的 12% 比人類(lèi)設(shè)計(jì)的單元要小。總的來(lái)說(shuō)，在單元復(fù)雜性方面，該工具做得和人類(lèi)設(shè)計(jì)的單元一樣好，甚至比人類(lèi)的還好。

這對(duì)我們有兩大好處。一是節(jié)約大量勞動(dòng)力。同樣是移植一個(gè)新的技術(shù)庫(kù)，如果使用人力，我們需要一個(gè) 10 人左右的團(tuán)隊(duì)工作大半年，但借助 AI，我們只需要花幾天時(shí)間運(yùn)行幾個(gè) GPU 就能完成大部分可以自動(dòng)化的工作（92%），然后再由人來(lái)完成剩下的 8%。很多時(shí)候我們都能拿到更好的設(shè)計(jì)，所以這個(gè)方式不光節(jié)省人力，效果也比人類(lèi)手工的結(jié)果好。

原文鏈接：https://www.hpcwire.com/2022/04/18/nvidia-rd-chief-on-how-ai-is-improving-chip-design/